CN114235652A - 烟尘颗粒浓度异常识别方法、装置、存储介质及设备 - Google Patents
烟尘颗粒浓度异常识别方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN114235652A CN114235652A CN202111447683.1A CN202111447683A CN114235652A CN 114235652 A CN114235652 A CN 114235652A CN 202111447683 A CN202111447683 A CN 202111447683A CN 114235652 A CN114235652 A CN 114235652A
- Authority
- CN
- China
- Prior art keywords
- data
- processing
- smoothing
- result
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 97
- 239000002245 particle Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000000428 dust Substances 0.000 title claims abstract description 50
- 238000009499 grossing Methods 0.000 claims abstract description 76
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 230000001788 irregular Effects 0.000 claims abstract description 62
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 139
- 230000000737 periodic effect Effects 0.000 claims description 28
- 239000004071 soot Substances 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 230000001932 seasonal effect Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种烟尘颗粒浓度异常识别方法、装置、存储介质及设备。其中，该方法包括：获取烟尘颗粒的时间序列数据；对上述时间序列数据进行平滑处理，得到平滑处理结果；对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果。本发明解决了现有技术中烟尘颗粒浓度异常识别方法受气象条件影响较大，导致无法准确发现烟尘浓度异常值的技术问题。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种烟尘颗粒浓度异常识别方法、装置、存储介质及设备。
背景技术
在城市空气质量监测领域，现有技术中的烟尘颗粒浓度异常检测方法大多采用计算机图像处理技术，从卫星遥感数据的监控图像中获取空气色彩或光线变化角度，根据空气色彩或光线变化角度对空气质量进行评估。
但是，卫星遥感数据的准确性容易受成像仪器的空间分辨率及气象条件的影响，例如云层厚度等；从目前的研究来看，某些人为活动造成的烟尘颗粒浓度值暴涨会比自然现象对人类的影响更大，例如烧荒或工厂加排工业废气等；此外，空气中烟尘颗粒浓度又随着气象条件的变化而变化如湿度、风力及风向，地表植被的茂密程度也会影响烟尘颗粒的吸附程度。因此，在不考虑各区域烟尘浓度变化规律和气象条件的前提下，仅靠设定浓度阈值的方法难以有效发现烟尘监测指标中的异常值。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种烟尘颗粒浓度异常识别方法、装置、存储介质及设备，以至少解决现有技术中烟尘颗粒浓度异常识别方法受气象条件影响较大，导致无法准确发现烟尘浓度异常值的技术问题。
根据本发明实施例的一个方面，提供了一种烟尘颗粒浓度异常识别方法，包括：获取烟尘颗粒的时间序列数据，其中，上述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，上述周期性维度用于表征规律性活动产生的烟尘指标值，上述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，上述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；对上述时间序列数据进行平滑处理，得到平滑处理结果；对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果。
可选的，上述对上述时间序列数据进行平滑处理，得到平滑处理结果，包括：确定上述时间序列数据中的观测点，以及与上述观测点对应的窗口宽度，其中，上述窗口宽度表示以上述观测点为中心的预定区间内的观测范围；基于上述观测点和上述窗口宽度，确定上述观测点的权重值；采用最小二乘法根据上述权重值计算上述观测点的估计值；基于上述估计值对上述时间序列数据进行平滑处理，得到上述平滑处理结果。
可选的，上述对上述平滑处理结果进行分解处理，得到不规则维度指标，包括：对上述平滑处理结果进行上述外循环处理，得到数据点权重值；基于上述数据点权重值对上述平滑处理结果进行上述内循环处理，得到上述不规则维度指标。
可选的，上述基于上述数据点权重值对上述平滑处理结果进行上述内循环处理，包括：对上述平滑处理结果进行去趋势性维度数据处理，得到第一处理结果；基于上述数据点权重值对上述第一处理结果进行局部加权回归处理，得到第二处理结果；对上述第二处理结果进行低通量过滤处理，得到子序列数据。
可选的，在对上述第二处理结果进行低通量过滤处理，得到子序列数据之后，上述方法还包括：对上述子序列数据进行去周期性维度数据处理，得到第三处理结果；基于上述数据点权重值对上述第三处理结果进行局部加权回归处理，得到第四处理结果；基于上述第四处理结果，确定上述不规则维度指标。
可选的，上述基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果，包括：对上述不规则维度指标进行标准化处理，得到标准化数据；判断上述标准化数据是否大于预设范围，其中，上述预设范围为上述标准化数据的均值至三倍标准差数据内的范围；若上述标准化数据大于上述预设范围，则确定上述标准化数据所属的目标观测点为异常观测点。
可选的，上述确定上述标准化数据所属的目标观测点为异常观测点，包括：获取邻近观测点的邻近标准化数据，其中，上述邻近观测点为上述异常观测点周围的观测点；判断上述标准化数据与上述邻近标准化数据的相似度；若上述相似度低于预设阈值，则判断上述目标观测点烟尘颗粒的浓度变化值的检测结果异常。
根据本发明实施例的另一方面，还提供了一种烟尘颗粒浓度异常识别装置，包括：获取模块，用于获取烟尘颗粒的时间序列数据，其中，上述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，上述周期性维度用于表征规律性活动产生的烟尘指标值，上述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，上述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；第一处理模块，用于对上述时间序列数据进行平滑处理，得到平滑处理结果；第二处理模块，用于对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；检测模块，用于基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行任意一项上述的烟尘颗粒浓度异常识别方法。
根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的烟尘颗粒浓度异常识别方法。
在本发明实施例中，通过获取烟尘颗粒的时间序列数据，其中，上述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，上述周期性维度用于表征规律性活动产生的烟尘指标值，上述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，上述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；对上述时间序列数据进行平滑处理，得到平滑处理结果；对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果，达到了结合多种维度数据判断烟尘浓度是否异常的目的，从而实现了降低气象因素对检测结果的影响，提高检测结果的准确性的技术效果，进而解决了现有技术中烟尘颗粒浓度异常识别方法受气象条件影响较大，导致无法准确发现烟尘浓度异常值的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的烟尘颗粒浓度异常识别方法流程图；
图2是根据本发明实施例的一种可选的平滑处理流程的示意图；
图3是根据本发明实施例的一种可选的异常观测点判断流程的示意图；
图4是根据本发明实施例的一种可选的烟尘颗粒浓度异常检测流程的示意图；
图5是根据本发明实施例的一种烟尘颗粒浓度异常识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种烟尘颗粒浓度异常识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的烟尘颗粒浓度异常识别方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取烟尘颗粒的时间序列数据，其中，上述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，上述周期性维度用于表征规律性活动产生的烟尘指标值，上述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，上述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；
步骤S104，对上述时间序列数据进行平滑处理，得到平滑处理结果；
步骤S106，对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；
步骤S108，基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果。
在本发明实施例中，获取烟尘颗粒的时间序列数据，对上述时间序列数据进行平滑处理，得到平滑处理结果；对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果。
需要说明的是，上述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，上述周期性维度用于表征规律性活动产生的烟尘指标值，上述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，上述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；上述分解处理包括：外循环处理以及内循环处理。
在本发明实施例中，采用时序信号分解模型STL(Seasonal-trend decompositionprocedure based on loess)将上述时间序列数据分解为周期性维度值、趋势性维度值及不规则性维度值，表达式如下：
Y＝Tv+Sv+Rv
式中，Y代表实际信号值，Tv代表趋势量，Sv代表季节量，Rv代表剩余量。上述周期性维度体现了人为规律性活动产生的烟尘指标值；上述趋势性维度体现了季节更替及地区人口增加等因素造成的排放趋势性变化；上述不规则性维度体现了特殊天气如沙尘暴、强风、暴雨及重大火灾事故等带来的突发性变化。
作为一种可选的实施例，将每个气象监测点近360天内每小时采样一次得到的烟尘颗粒浓度数据按采样时间组成序列，得到上述时间序列数据，并采用时序信号分解模型STL(Seasonal-trend decomposition procedure based on loess)将上述时间序列数据分解为周期性维度值、趋势性维度值及不规则性维度值；根据分解出的不规则性维度值，对其进行标准化处理，处理完成后判断每个观测点的处理结果是否异常；若某个观测点的处理结果为异常结果，则根据天气状况以及周边观测点的数据处理结果判断目标观测点烟尘颗粒的浓度变化值是否异常；若仍为异常结果，则及时触发报警机制。
通过本发明实施例，根据从气象观测点的烟尘历史观测数据中模拟出当地烟尘颗粒浓度的变化规律，并结合地面气象观测网络的分布特点和气象条件，实时发现烟尘指标异常的区域；同时，还考虑到观测点历史烟尘颗粒浓度变化特点和周边其他观测点当前的烟尘变化特点来发现异常的烟尘源，达到了结合多种维度数据判断烟尘浓度是否异常的目的，从而实现了降低气象因素对检测结果的影响，提高检测结果的准确性的技术效果，进而解决了现有技术中烟尘颗粒浓度异常识别方法受气象条件影响较大，导致无法准确发现烟尘浓度异常值的技术问题。
在一种可选的实施例中，上述对上述时间序列数据进行平滑处理，得到平滑处理结果，包括：
步骤S202，确定上述时间序列数据中的观测点，以及与上述观测点对应的窗口宽度，其中，上述窗口宽度表示以上述观测点为中心的预定区间内的观测范围；
步骤S204，基于上述观测点和上述窗口宽度，确定上述观测点的权重值；
步骤S206，采用最小二乘法根据上述权重值计算上述观测点的估计值；
步骤S208，基于上述估计值对上述时间序列数据进行平滑处理，得到上述平滑处理结果。
在本发明实施例中，如图2所示的平滑处理流程的示意图，首先确定上述时间序列数据中的观测点，以及与上述观测点对应的窗口宽度，根据上述观测点和上述窗口宽度，确定上述观测点的权重值；采用最小二乘法根据上述权重值计算上述观测点的估计值；基于上述估计值对上述时间序列数据进行平滑处理，得到上述平滑处理结果。
需要说明的是，上述窗口宽度表示以上述观测点为中心的预定区间内的观测范围；在本发明实施例中，采用鲁棒局部加权回归算法(Loess,Locally weightedscatterplot smoothing)进行数据平滑处理，通过拟合一条趋势线，并以该趋势线作为基准对数据进行平滑处理。
作为一种可选的实施例，首先选取一组数据中每一个观测点xi，并以xi为中心选取窗口宽度z；由权值函数定义区间内观测点xi的权重，权重函数定义如下：
利用最小二乘法对观测点xi计算回归系数ɑ(xi)的估计值，得到观测点xi的拟合值：
令ei为拟合值和实际值的差值，S为|ei|的中位数，则：
在每一个观测点xi处用δk*wk(xi)替换原来的权值wk(xi)，然后利用最小二乘法进行多项式拟合，计算出新的拟合值；重复上述计算拟合值与权重值的步骤，直到循环结束，得到最终的拟合值；最后基于上述拟合值对上述时间序列数据进行平滑处理，得到上述平滑处理结果。
在一种可选的实施例中，上述对上述平滑处理结果进行分解处理，得到不规则维度指标，包括：
步骤S302，对上述平滑处理结果进行上述外循环处理，得到数据点权重值；
步骤S304，基于上述数据点权重值对上述平滑处理结果进行上述内循环处理，得到上述不规则维度指标。
在本发明实施例中，对上述平滑处理结果进行上述外循环处理，得到数据点权重值；基于上述数据点权重值对上述平滑处理结果进行上述内循环处理，得到上述不规则维度指标。
需要说明的是，上述数据点权重值用于在进行上述内循环处理时减少剩余量对信号分解的影响。
作为一种可选的实施例，采用下式进行外循环处理：
δv＝6*median(|Rv|)
式中，δv为数据点的权重，内循环步骤做局部加权回归处理LOWESS时需要乘以外循环计算得到的δv，从而减少剩余量对信号分解的影响。
在一种可选的实施例中，上述基于上述数据点权重值对上述平滑处理结果进行上述内循环处理，包括：
步骤S402，对上述平滑处理结果进行去趋势性维度数据处理，得到第一处理结果；
步骤S404，基于上述数据点权重值对上述第一处理结果进行局部加权回归处理，得到第二处理结果；
步骤S406，对上述第二处理结果进行低通量过滤处理，得到子序列数据。
在本发明实施例中，首先对上述平滑处理结果进行去趋势性维度数据处理，得到第一处理结果；基于上述数据点权重值对上述第一处理结果进行局部加权回归处理，得到第二处理结果；对上述第二处理结果进行低通量过滤处理，得到子序列数据。
作为一种可选的实施例，上述STL分解过程分为外循环和内循环两部分，内循环主要针对时间序列的趋势量及季节量两个分量进行分解计算；令
和
为内循环中第k-1次循环结束时的趋势量和季节量，np为一个周期内的样本数，ns，nl，nt分别局部加权回归处理过程中的平滑系数。首先进行去趋势性维度数据处理，即时间序列减去上次迭代时得到的趋势量
初始时刻
的值为0；对每个子序列进行局部加权回归处理，前后各延长一个循环周期，得到长度为N+2*np的时间序列，N为时间序列初始长度，平滑参数为ns，平滑结果为
并对子序列进行低通量过滤处理，即对平滑结果
依次做长度为np、np、3的移动，再进行参数为nl的局部加权回归处理，得到长度为N的子序列数据
在一种可选的实施例中，在对上述第二处理结果进行低通量过滤处理，得到子序列数据之后，上述方法还包括：
步骤S502，对上述子序列数据进行去周期性维度数据处理，得到第三处理结果；
步骤S504，基于上述数据点权重值对上述第三处理结果进行局部加权回归处理，得到第四处理结果；
步骤S506，基于上述第四处理结果，确定上述不规则维度指标。
在本发明实施例中，得到子序列数据之后，对上述子序列数据进行去周期性维度数据处理，得到第三处理结果；基于上述数据点权重值对上述第三处理结果进行局部加权回归处理，得到第四处理结果；基于上述第四处理结果，确定上述不规则维度指标。
作为一种可选的实施例，对上述子序列数据进行去周期性维度数据处理：
然后进行去季节量处理：即
得到趋势量
最后判断数据拟合效果是否收敛，若收敛则输出结果，否则重复上述过程。
作为一种可选的实施例，经STL模型分解出的烟尘颗粒浓度不规则维度指标可用于异常检测；由于烟尘来源不同，若烟尘来源于极端的气象条件，局部地区短时大风引发的扬尘，则排除该烟尘异常；地域相邻且外界环境相同时，正常条件下两个气象监测点在不同时间点上的烟尘指标趋势变化应该是相似的，因此，在本发明实施例中，还可利用灰色关联度公式判断目标监测点与周边每一个邻近监测点间烟尘变化趋势的相似性：
式中，βi(t,s)为第t个目标监测点与其周边第s个监测点在时刻i时的趋势变化相似度，
为第t个目标监测点在时刻i时与前一时刻的烟尘指标变化值，
为周边第s个监测点在时刻i时与前一时刻的烟尘指标变化值，n表示进行比较的烟尘采样时刻数。
在一种可选的实施例中，上述基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果，包括：
步骤S602，对上述不规则维度指标进行标准化处理，得到标准化数据；
步骤S604，判断上述标准化数据是否大于预设范围，其中，上述预设范围为上述标准化数据的均值至三倍标准差数据内的范围；
步骤S606，若上述标准化数据大于上述预设范围，则确定上述标准化数据所属的目标观测点为异常观测点。
在本发明实施例中，如图3所示的异常观测点判断流程示意图，对上述不规则维度指标进行标准化处理，得到标准化数据；判断上述标准化数据是否大于预设范围，若上述标准化数据大于上述预设范围，则确定上述标准化数据所属的目标观测点为异常观测点。
需要说明的是，上述预设范围为上述标准化数据的均值至三倍标准差数据内的范围。
作为一种可选的实施例，将分解出的烟尘不规则性维度值进行Z-Score标准化处理：
式中，x为不规则维度值，E(x)为不规则维度值的均值，σ(x)为不规则维度值的标准差；标准化处理能够帮助确定数据的分布特点。
作为一种可选的实施例，判断数据是否位于其均值与三倍标准差区间外，判断烟尘不规则维度值的出现概率是否为小概率事件(发生概率小于0.003)。若是小概率事件，且烟尘值属于数据中的峰值，则将相应的气象监测点的目标监测点作为异常观测点，即可能出现烟尘异常的观测点。
在一种可选的实施例中，上述确定上述标准化数据所属的目标观测点为异常观测点，包括：
步骤S702，获取邻近观测点的邻近标准化数据，其中，上述邻近观测点为上述异常观测点周围的观测点；
步骤S704，判断上述标准化数据与上述邻近标准化数据的相似度；
步骤S706，若上述相似度低于预设阈值，则判断上述目标观测点烟尘颗粒的浓度变化值的检测结果异常。
在本发明实施例中，若确定上述标准化数据所属的目标观测点为异常观测点，则获取邻近观测点的邻近标准化数据，判断上述标准化数据与上述邻近标准化数据的相似度；若上述相似度低于预设阈值，则判断上述目标观测点烟尘颗粒的浓度变化值的检测结果异常。
需要说明的是，上述相似度的预设阈值可以根据实际情况进行设定。
作为一种可选的实施例，如图4所示的烟尘颗粒浓度异常检测流程的示意图，提取目标监测点与其周边邻近监测点近5小时内的烟尘不规则维度数据；采用灰色关联度公式判断目标监测点与周边每一个邻近监测点间烟尘变化趋势的相似性；若变化趋势不同，则可认定某个气象监测点附近出现了突发性的烟尘源如火灾，从而导致烟尘指标值出现异常；并结合当日气象条件排除极端天气(沙尘暴与重度雾霾)后，统计目标监测点周边高相似度的监测点比例；若目标监测点首次出现异常时周边多数监测点与其烟尘变化趋势差异较大，则可触发烟尘异常报警机制。
需要说明的是，由于烟尘的蔓延速度决定了影响范围，同时每个气象监测站对烟尘的探测范围也比较有限，因此，当风力等级在4级以下时，即风速在8米/秒以下时，考虑目标气象监测点周边1.5公里内其他监测点的烟尘变化情况；当风力等级在4级以上时，才考虑目标气象监测点周边5公里内其他气象监测点的烟尘变化情况。
通过上述步骤，可以实现从气象观测点的烟尘历史观测数据中模拟出当地烟尘颗粒浓度的变化规律，并结合地面气象观测网络的分布特点和气象条件，实时发现烟尘指标异常的区域；同时，还考虑到观测点历史烟尘颗粒浓度变化特点和周边其他观测点当前的烟尘变化特点来发现异常的烟尘源，达到了结合多种维度数据判断烟尘浓度是否异常的目的，从而实现了降低气象因素对检测结果的影响，提高检测结果的准确性的技术效果，进而解决了现有技术中烟尘颗粒浓度异常识别方法受气象条件影响较大，导致无法准确发现烟尘浓度异常值的技术问题。
实施例2
根据本发明实施例，还提供了一种用于实施上述烟尘颗粒浓度异常识别方法的装置实施例，采用云数据平台的评估系统实施或者实现，图5是根据本发明实施例的一种烟尘颗粒浓度异常识别装置的结构示意图，如图5所示，上述装置包括：获取模块52、第一处理模块54、第二处理模块56和检测模块58，其中：
获取模块52，用于获取烟尘颗粒的时间序列数据，其中，上述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，上述周期性维度用于表征规律性活动产生的烟尘指标值，上述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，上述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；
第一处理模块54，用于对上述时间序列数据进行平滑处理，得到平滑处理结果；
第二处理模块56，用于对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；
检测模块58，用于基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果。
此处需要说明的是，上述获取模块52、第一处理模块54、第二处理模块56和检测模块58对应于实施例1中的步骤S102至步骤S108，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
根据本发明的实施例，还提供了一种计算机可读存储介质的实施例。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的烟尘颗粒浓度异常识别方法所执行的程序代码。
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取烟尘颗粒的时间序列数据，其中，上述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，上述周期性维度用于表征规律性活动产生的烟尘指标值，上述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，上述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；对上述时间序列数据进行平滑处理，得到平滑处理结果；对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：确定上述时间序列数据中的观测点，以及与上述观测点对应的窗口宽度，其中，上述窗口宽度表示以上述观测点为中心的预定区间内的观测范围；基于上述观测点和上述窗口宽度，确定上述观测点的权重值；采用最小二乘法根据上述权重值计算上述观测点的估计值；基于上述估计值对上述时间序列数据进行平滑处理，得到上述平滑处理结果。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对上述平滑处理结果进行上述外循环处理，得到数据点权重值；基于上述数据点权重值对上述平滑处理结果进行上述内循环处理，得到上述不规则维度指标。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对上述平滑处理结果进行去趋势性维度数据处理，得到第一处理结果；基于上述数据点权重值对上述第一处理结果进行局部加权回归处理，得到第二处理结果；对上述第二处理结果进行低通量过滤处理，得到子序列数据。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对上述子序列数据进行去周期性维度数据处理，得到第三处理结果；基于上述数据点权重值对上述第三处理结果进行局部加权回归处理，得到第四处理结果；基于上述第四处理结果，确定上述不规则维度指标。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对上述不规则维度指标进行标准化处理，得到标准化数据；判断上述标准化数据是否大于预设范围，其中，上述预设范围为上述标准化数据的均值至三倍标准差数据内的范围；若上述标准化数据大于上述预设范围，则确定上述标准化数据所属的目标观测点为异常观测点。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取邻近观测点的邻近标准化数据，其中，上述邻近观测点为上述异常观测点周围的观测点；判断上述标准化数据与上述邻近标准化数据的相似度；若上述相似度低于预设阈值，则判断上述目标观测点烟尘颗粒的浓度变化值的检测结果异常。
根据本发明的实施例，还提供了一种处理器的实施例。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的烟尘颗粒浓度异常识别方法所执行的程序代码。
本申请实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取烟尘颗粒的时间序列数据，其中，上述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，上述周期性维度用于表征规律性活动产生的烟尘指标值，上述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，上述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；对上述时间序列数据进行平滑处理，得到平滑处理结果；对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取烟尘颗粒的时间序列数据，其中，上述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，上述周期性维度用于表征规律性活动产生的烟尘指标值，上述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，上述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；对上述时间序列数据进行平滑处理，得到平滑处理结果；对上述平滑处理结果进行分解处理，得到不规则维度指标，其中，上述分解处理包括：外循环处理以及内循环处理；基于上述不规则维度指标检测上述烟尘颗粒的浓度变化值是否异常，得到检测结果。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种烟尘颗粒浓度异常识别方法，其特征在于，包括：
获取烟尘颗粒的时间序列数据，其中，所述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，所述周期性维度用于表征规律性活动产生的烟尘指标值，所述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，所述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；
对所述时间序列数据进行平滑处理，得到平滑处理结果；
对所述平滑处理结果进行分解处理，得到不规则维度指标，其中，所述分解处理包括：外循环处理以及内循环处理；
基于所述不规则维度指标检测所述烟尘颗粒的浓度变化值是否异常，得到检测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述时间序列数据进行平滑处理，得到平滑处理结果，包括：
确定所述时间序列数据中的观测点，以及与所述观测点对应的窗口宽度，其中，所述窗口宽度表示以所述观测点为中心的预定区间内的观测范围；
基于所述观测点和所述窗口宽度，确定所述观测点的权重值；
采用最小二乘法根据所述权重值计算所述观测点的估计值；
基于所述估计值对所述时间序列数据进行平滑处理，得到所述平滑处理结果。
3.根据权利要求1所述的方法，其特征在于，所述对所述平滑处理结果进行分解处理，得到不规则维度指标，包括：
对所述平滑处理结果进行所述外循环处理，得到数据点权重值；
基于所述数据点权重值对所述平滑处理结果进行所述内循环处理，得到所述不规则维度指标。
4.根据权利要求3所述的方法，其特征在于，所述基于所述数据点权重值对所述平滑处理结果进行所述内循环处理，包括：
对所述平滑处理结果进行去趋势性维度数据处理，得到第一处理结果；
基于所述数据点权重值对所述第一处理结果进行局部加权回归处理，得到第二处理结果；
对所述第二处理结果进行低通量过滤处理，得到子序列数据。
5.根据权利要求4所述的方法，其特征在于，在对所述第二处理结果进行低通量过滤处理，得到子序列数据之后，所述方法还包括：
对所述子序列数据进行去周期性维度数据处理，得到第三处理结果；
基于所述数据点权重值对所述第三处理结果进行局部加权回归处理，得到第四处理结果；
基于所述第四处理结果，确定所述不规则维度指标。
6.根据权利要求1所述的方法，其特征在于，所述基于所述不规则维度指标检测所述烟尘颗粒的浓度变化值是否异常，得到检测结果，包括：
对所述不规则维度指标进行标准化处理，得到标准化数据；
判断所述标准化数据是否大于预设范围，其中，所述预设范围为所述标准化数据的均值至三倍标准差数据内的范围；
若所述标准化数据大于所述预设范围，则确定所述标准化数据所属的目标观测点为异常观测点。
7.根据权利要求6所述的方法，其特征在于，所述确定所述标准化数据所属的目标观测点为异常观测点，包括：
获取邻近观测点的邻近标准化数据，其中，所述邻近观测点为所述异常观测点周围的观测点；
判断所述标准化数据与所述邻近标准化数据的相似度；
若所述相似度低于预设阈值，则判断所述目标观测点烟尘颗粒的浓度变化值的检测结果异常。
8.一种烟尘颗粒浓度异常识别装置，其特征在于，包括：
获取模块，用于获取烟尘颗粒的时间序列数据，其中，所述时间序列数据包括以下至少之一数据维度：趋势性维度、周期性维度以及不规则性维度；其中，所述周期性维度用于表征规律性活动产生的烟尘指标值，所述趋势性维度用于表征季节更替及人口增加导致的排放趋势性变化，所述不规则性维度用于表征特殊天气和重大安全事故导致的突发性变化；
第一处理模块，用于对所述时间序列数据进行平滑处理，得到平滑处理结果；
第二处理模块，用于对所述平滑处理结果进行分解处理，得到不规则维度指标，其中，所述分解处理包括：外循环处理以及内循环处理；
检测模块，用于基于所述不规则维度指标检测所述烟尘颗粒的浓度变化值是否异常，得到检测结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的烟尘颗粒浓度异常识别方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任意一项所述的烟尘颗粒浓度异常识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111447683.1A CN114235652A (zh) | 2021-11-30 | 2021-11-30 | 烟尘颗粒浓度异常识别方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111447683.1A CN114235652A (zh) | 2021-11-30 | 2021-11-30 | 烟尘颗粒浓度异常识别方法、装置、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114235652A true CN114235652A (zh) | 2022-03-25 |
Family
ID=80752382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111447683.1A Pending CN114235652A (zh) | 2021-11-30 | 2021-11-30 | 烟尘颗粒浓度异常识别方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114235652A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118038627A (zh) * | 2024-04-15 | 2024-05-14 | 大连乾曜科技有限公司 | 基于车辆大数据的隧道路段安全监控方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014025896A (ja) * | 2012-07-30 | 2014-02-06 | Hitachi High-Technologies Corp | データ処理装置及びそれを用いた自動分析装置 |
| CN109191021A (zh) * | 2018-10-30 | 2019-01-11 | 全球能源互联网研究院有限公司 | 电网异常事件的关联规则匹配方法及装置 |
| CN109190793A (zh) * | 2018-07-27 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种基于近似周期时间序列的光伏发电功率预测方法及系统 |
| CN110008247A (zh) * | 2018-12-13 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 异常来源确定方法、装置、设备及计算机可读存储介质 |
| CN111191676A (zh) * | 2019-12-09 | 2020-05-22 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于可回溯的动态窗口模型的用电数据趋势异常分析方法 |
| CN111324639A (zh) * | 2020-02-11 | 2020-06-23 | 京东数字科技控股有限公司 | 数据监测方法、装置及计算机可读存储介质 |
| CN111652940A (zh) * | 2020-04-30 | 2020-09-11 | 平安国际智慧城市科技股份有限公司 | 目标异常识别方法、装置、电子设备及存储介质 |
| CN112131274A (zh) * | 2020-09-22 | 2020-12-25 | 平安科技（深圳）有限公司 | 时间序列异常点的检测方法、装置、设备及可读存储介质 |
| CN112649153A (zh) * | 2020-11-27 | 2021-04-13 | 国网冀北电力有限公司电力科学研究院 | 一种封闭设备的气密性检测方法、装置、设备 |
| CN112668661A (zh) * | 2020-12-31 | 2021-04-16 | 新奥数能科技有限公司 | 一种光伏功率异常数据的识别方法及装置 |
| US20210168019A1 (en) * | 2019-12-02 | 2021-06-03 | Alibaba Group Holding Limited | Time Series Decomposition |
| WO2021114245A1 (zh) * | 2019-12-13 | 2021-06-17 | 深圳迈瑞生物医疗电子股份有限公司 | 体外诊断设备、检验流水线和异常检测方法 |
| CN112988512A (zh) * | 2021-03-12 | 2021-06-18 | 北京奇艺世纪科技有限公司 | 一种时序数据异常检测方法、装置、设备及存储介质 |
| WO2021184727A1 (zh) * | 2020-03-19 | 2021-09-23 | 平安科技（深圳）有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-11-30 CN CN202111447683.1A patent/CN114235652A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014025896A (ja) * | 2012-07-30 | 2014-02-06 | Hitachi High-Technologies Corp | データ処理装置及びそれを用いた自動分析装置 |
| CN109190793A (zh) * | 2018-07-27 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种基于近似周期时间序列的光伏发电功率预测方法及系统 |
| CN109191021A (zh) * | 2018-10-30 | 2019-01-11 | 全球能源互联网研究院有限公司 | 电网异常事件的关联规则匹配方法及装置 |
| CN110008247A (zh) * | 2018-12-13 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 异常来源确定方法、装置、设备及计算机可读存储介质 |
| US20210168019A1 (en) * | 2019-12-02 | 2021-06-03 | Alibaba Group Holding Limited | Time Series Decomposition |
| CN111191676A (zh) * | 2019-12-09 | 2020-05-22 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于可回溯的动态窗口模型的用电数据趋势异常分析方法 |
| WO2021114245A1 (zh) * | 2019-12-13 | 2021-06-17 | 深圳迈瑞生物医疗电子股份有限公司 | 体外诊断设备、检验流水线和异常检测方法 |
| CN111324639A (zh) * | 2020-02-11 | 2020-06-23 | 京东数字科技控股有限公司 | 数据监测方法、装置及计算机可读存储介质 |
| WO2021184727A1 (zh) * | 2020-03-19 | 2021-09-23 | 平安科技（深圳）有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
| CN111652940A (zh) * | 2020-04-30 | 2020-09-11 | 平安国际智慧城市科技股份有限公司 | 目标异常识别方法、装置、电子设备及存储介质 |
| CN112131274A (zh) * | 2020-09-22 | 2020-12-25 | 平安科技（深圳）有限公司 | 时间序列异常点的检测方法、装置、设备及可读存储介质 |
| CN112649153A (zh) * | 2020-11-27 | 2021-04-13 | 国网冀北电力有限公司电力科学研究院 | 一种封闭设备的气密性检测方法、装置、设备 |
| CN112668661A (zh) * | 2020-12-31 | 2021-04-16 | 新奥数能科技有限公司 | 一种光伏功率异常数据的识别方法及装置 |
| CN112988512A (zh) * | 2021-03-12 | 2021-06-18 | 北京奇艺世纪科技有限公司 | 一种时序数据异常检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 江新乐 等: "结合局部加权回归的时序异常检测方法研究", 《软件工程》, vol. 22, no. 11, pages 27 - 30 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118038627A (zh) * | 2024-04-15 | 2024-05-14 | 大连乾曜科技有限公司 | 基于车辆大数据的隧道路段安全监控方法 |
| CN118038627B (zh) * | 2024-04-15 | 2024-06-18 | 大连乾曜科技有限公司 | 基于车辆大数据的隧道路段安全监控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695473B (zh) | 基于长短时记忆网络模型的热带气旋强度客观监测方法 | |
| CN108388866B (zh) | 一种植被单调变化趋势检测方法及相关装置 | |
| CN110333078B (zh) | 一种滚动轴承退化状态阶段确定方法 | |
| CN114648102B (zh) | 火灾报警方法、系统、可读存储介质及计算机设备 | |
| CN115296933B (zh) | 一种工业生产数据风险等级评估方法及系统 | |
| CN115984767A (zh) | 一种基于监控画面实时分析的异常预警方法及系统 | |
| CN114235652A (zh) | 烟尘颗粒浓度异常识别方法、装置、存储介质及设备 | |
| CN113887324A (zh) | 基于卫星遥感数据的火点检测方法 | |
| CN113592308A (zh) | 一种基于常态模型的监测数据告警阈值提取方法 | |
| CN114155451A (zh) | 一种图像识别地下室淹水隐患的方法及系统 | |
| CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
| CN113642447B (zh) | 卷积神经网络级联的监控图像车辆检测方法及其系统 | |
| CN116910491B (zh) | 一种雷电监测预警系统、方法、电子设备及存储介质 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN112418529A (zh) | 基于lstm神经网络的户外广告在线倒塌预测方法 | |
| CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
| Passow et al. | A rigorous statistical assessment of recent trends in intensity of heavy precipitation over Germany | |
| Wang et al. | Early warning of debris flow using optimized self-organizing feature mapping network | |
| JP4711131B2 (ja) | 画素群パラメータ算出方法及び画素群パラメータ算出装置 | |
| Geloogerdi et al. | Desertification simulation using wavelet and box-jenkins time series analysis based on TGSI and albedo remote sensing indices | |
| CN113743293A (zh) | 跌倒行为检测方法、装置、电子设备及存储介质 | |
| CN112257690A (zh) | 一种重金属污染评估方法及装置 | |
| CN117876972B (zh) | 基于物联感知的车间安全监管方法及系统 | |
| CN115290135B (zh) | 一种应用于气膜系统的智能防火监测方法及系统 | |
| CN116469013B (zh) | 道路积水预测方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |